笔者自从大学就接触java，当时我的同学还在学C，C++，VB，当是我就买了当是已故的张孝祥老师java光盘蝶，当时很多同时很不理解，后来证明我的选择是对的，后来在使用使用开发过程中，自动测试中，发现python，深入了解，python不是米国发明，还是一个荷兰人，还是在做企业情报系统和个人资料收集，发现python功能奥妙，居然很多大厂的搜索引擎也离不开她。在当下AI起风兴起的时代，分享个人的几点心得
一、编程界的全能战士
1.网站服务：Flask，Django...
- 重点介绍一下Django
Django是一个开放源代码的Web应用框架，由Python写成。采用了MTV的框架模式，即模型M，视图V和模版T
2.网络爬虫：Scrapy,BeautifulSoup,Selenuim
- scrapy的原理
3.微信调用：Itchat..
4.图形界面：WxPython,PyQT,tKinter
5.分词注音：jieba,Pypinyin
6.NBA数据：goldsBerry.
7.地理信息：basemap,cartopy
二、机器学习基础工具
1.科学计算
NumPy，SciPy，Matplotlib，Pandas..
2.机器学习
Scikit-Learn，Scikit-lmage，OpenCV，Gensim，
- Scikit-Learn事件：机器学习神器之争！到底哪家强？
Scikit-Learn，简称sklearn，是Python中最受欢迎的机器学习库之一，但是近日，它的地位受到了来自国内开源社区的挑战。华为的MindSpore、阿里的PAI和PaddlePaddle都在不断发力，试图争夺机器学习市场的主导地位。
相比之下，Scikit-Learn在机器学习领域已经有了十年的积淀，广受全球学者和数据科学家的青睐。但是，随着竞争对手们的崛起，Scikit-Learn能否保持其统治地位，成为机器学习神器之一，还有待时间的检验。
3.深度学习
Tensorflow，Pytorch，Keras，Theano..…
- TensorFlow = 多维数据数组 + 数据流图
TensorFlow 的优势：
- 高度的灵活性。TF不是一个严格的“神经网络”库。你可以按照TF的规范，在TF中实现自己的算子节点与调用接口，通过调用组织成一个数据流图，理论上也可以帮你做算法外的其他事情。
- 真正的可移植性。TF框架可以运行在多个 CPU 、GPU、TPU 和移动操作系统上。也可以在没有特殊硬件的前提下，在你的笔记本上跑一下机器学习。
- 性能最优化。TF不仅支持生产数据流图，还支持对数据流图就优化，例如剪枝，常量合并，以及XLA算子融合等，使得即使阿猫阿狗也可以写成高性能模型，此外TF还给予了线程、队列、异步操作等以最佳的支持，可以让你可以将你手边硬件的计算潜能全部发挥出来。
- 多语言支持。Tensorflow使用c++作为高性能的Core层，支持使用易用的python使用界面来构建和执行你的graphs，此外也在支持或已支持Go，Java，Lua，Javascript，或者是R等多语言。
三、大数据-特别金融界的应用
1.使用pandas和numpy进行数据处理
2.使用matplotib进行绘图和可视化
3. 批量处理Excel：就是这么简单粗暴又好用
四、企业的情报系统：
当下很做跨境电商企业和国内企业都建立各自己企业的情报系统，提高各自的竞争力